Académique Documents
Professionnel Documents
Culture Documents
Cours 01
Cours 01
L’expérimentation permet d’évaluer la réponse induite sur une ou plusieurs variables par la
modification d’un ou de plusieurs facteurs expérimentaux. Le plus souvent on envisage de
mener une expérimentation afin de vérifier une hypothèse suggérée par des connaissances
antérieures ou des problèmes posés à l’agriculture. Il faut alors élaborer une ;Procédure de
vérification de cette hypothèse. Cette procédure comporte différentes phases parmi lesquelles
on note:
> le choix du matériel expérimental ;
> le choix des caractères à observer ou mesurer ;
k la détermination des méthodes d’observation et de mesure ;
> la détermination des critères de validation de l’hypothèse.
Les deux premières phases ne posent souvent pas beaucoup de difficultés à l’expérimentateur
car elles relèvent essentiellement du domaine de recherche considéré. Par contre. les deux
dernières exigent un certain bagage en statistique. En effet, il faudra Sav(oir comment
déterminer une méthode fiable et précise de mesures et dans quel cadre ces mesures obtenues
permettront de valider ou d’invalider l’hypothèse.
Ainsi, à l’issue de l’expérimentation une décision sera prise, mais elle sera prise dans un
contexte incertain sujet à diverses sources de variation liées au matériel expérimental utilisé.
aux conditions expérimentales (par exemple la température, la pluviométrie, l’hétérogénéité
du sol), aux erreurs de mesure etc. La décision d’accepter ou de refuser une hypothèse sera
basée alors sur un raisonnement probabilistique ou statistique. Nous voyons dés à présent
l’importance et l’enjeu de la statistique dans le domaine de l’expérimentation agricole.
Exemple
Considérons une expérimentation mise en œuvre dans le but de comparer les rendements
potentiels de deux variétés A et B d’arachide. L’hypothèse à tester consiste à dire que ces
deux variétés produisent le même rendement. L’expérimentateur, disposant de dieux parcelles
contiguës de même taille, sème cha.cune des variétés sur une des parcelles et observe que la
. variété B donne un meilleur rendement.
L’expérimentateur, à partir seulement de cette observation, ne pourra certainement pas
avancer une conclusion valable en vue de valider son hypothèse de travail. En effet cette
différence: observée pourrait très bien être due à des facteurs autres que la \.ariété, en
l’occurrence une attaque d’insectes plus marquée sur la parcelle ayant reçue la variéte A, une
plus grande fertilité de la parcelle ayant reçue B pourraient par exemple expliquer cette
différence: de rendement.
Nous voyons ainsi que 1’expérime:ntateur devra planifier son expérience de telle façon a
pouvoir décider si la difl’érence observée pouvait être attribuée à un effet de la variété ou bien
être attribuée à d’autres facteurs dits; “non contrôlés” par l’expérience
. ,
2 PRINCIPESDE~LAPLANIFICATIONEXPERIMENTALI
Une planification expérimbntale de qualité peut être définie comme “kr ., mn de -fcwwir
I ‘effort expérimental mini/num pour la meilleure précision”, en d’autres -mes le moyen
d’obtenir des résultats préils au moindre coût.
Nous mesurons dès à prés$nt toute l’importance à devoir accorder à l’étape I la planification
expérimentale dans le prbcessus de recherche. La planification expérimi ale doit, pour
garantir la validité de l’adalyse statistique des données qui seront recueil1 1, obéir à trois
principes fondamentaux qu!z nous allons brièvement décrire.
2.1 La randomisatiob
Reprenons à présent l’exelbple précédent en considérant que nous disposon le Six parcelles
expérimentales contiguës, les trois premières recevant la variété A et les troi utres la vari&
B
gradient de fertilité
-_-.- --
Dans ce cas, une des var(étés pourrait être constamment favorisée, au poi de vue de son
rendement, s’il existe par exemple un gradient de fertilité allant de la droit à la gauche du
terrain. Pour éviter toute source d’erreur systématique en avantageant un’ des variétés au
détriment de l’autre, il nouis faut procéder à la randomisation qui est une régi J’af‘fectation au
hasard des traitements aux: unités expérimentales. Cette procédure garantit 1’ dépendance des
observations d’une unité dxpérimentale à l’autre et élimine les biais qui pel ent être induits
par une mauvaise répartitidn des traitements aux unités expérimentales.
- 3-
-
vue de leur fertilité de telle sorte que la variabilité du phénomène étudié soit plus faible entre
des unités expérimentales d’un même groupe qu’entre unités expérimentales appartenant à des
groupes différents. Les traitements seront alors répartis de manière aléatoire au niveau de
chacun de ces groupes ou blocs. Le facteur de variation lié à la fertilité du sol sera ainsi
contrôlé et l’erreur expérimentale réduite.
. .‘. ._~_ -. <. 6. ,
l
3 PRINCIPALESETAPESDELAPLANIFICATIONEXPENMENTALE
Après une étude bibliographique permettant de procéder à l’état des conn$ssances sur le R
thème de recherche projeté, l’expérimentateur doit définir lors de la planification de son
expérience différents éléments dont les principaux sont :
- 0 -
Un plan en blocs incomplets est dit équilibré lorsque chaque couple de traitements est présent
un même nombre de fois dans un bloc. Il est dit binaire lorsqu’un traitement est présent au
plus une fois dans chaque bloc. La plupart des plans incomplets utilisés en expérimentation
agricole sont en blocs incomplets équilibrés binaires.
Lorsqu’on se limite au cas où chaque bloc comporte le même nombre d’unités expérimentales
et les traitements sont répétés un même nombre de fois, un dispositif en blocs ircomplets
équilibrés binaires vérifie :
pr=bk
h=r(k- l)/(p- 1)
p désignant le nombre de traitements, r le nombre de répétitions, b le nombre de blocs, k le
nombre d’unités expérimentales par bloc et h le nombre d’occurrences d’un couple de
traitements dans un même bloc.
Le dispositif en lattices carrés équilibrés est un dispositif avec un réseau de blocs incomplets
(bloc ligne et bloc colonne) tel que :
k la taille des blocs incomplets est la racine carrée du nombre de traitements.,
k les blocs peuvent être regroupés pour former des répétitions complètes (répliques) où
chaque traitement est présent une fois et une seule,
> le nombre de répliques est égal à un plus la racine carrée du nombre de traitements,
k chaque couple donné de traitements se retrouve une fois et une seule dans un bloc
ligne et aussi une fois et une seule dans un bloc colonne.
Ainsi pour disposer un essai en lattices carrés équilibrés, il est nécessaire ‘que le nombre de
traitements soit un carré parfait.
Exemple : Plan en lattices carrés équilibrés 3 x 3 avec p=9, k=3,1=4, b=12
-7-
expérimentaux antérieurs OP, organiser des essais préliminaires pour avoir une ‘déc a priori de
i
la variabilité du matériel experimental.
Ceci montre que la variation centrée des observations est la somme de la dispersion due aus
traitements (SCM) et d’une dispersion aléatoire (SCR). Ces sommes de carrés d’écart seront
utilisés dans le test de Ho contre HI.
En effet, on montre que, si Ho est vraie, le rapport
1,‘ - :p4 /u -- 1)
SC ‘I-? I(?I -- I )
suit une loi de Fisher F(I-l, n-l).
On calcule alors la proba ilité SOU~ 110 qu’un F(I-I, n-l) dépasse la valeur- F!calculée et cette
valeur sera ensuite campa k ée au seuil TX fixé.
Si cette probabilité p est/ inférieure à a, l’hypothèse Ho est rejetée : on dit alors que les
traitements sont signifïcatidement différents au seuil Q.
Si la probabilité p est supéi-ieure à ci, l’hypothèse Ho est acceptée au seuil cy.. ~
5.2 Analyse de la variance à un facteur étudié
5.2.1 Anovn ri un facteur en rmdonùsntion totale
Le tableau d’analyse de la variante à un facteur en randomisation totale se presente comme
indiqué ci-dessous :
L,‘hypothèse d’égalité des traitements sera rejetée au niveau a lorsque le rapport CMAKMR
dépasse la valeur 6-1 ,n-La lue sur la table de la loi de Fisher.
Exemple : Etude de l’effet de 3 formulations fongicides sur rendement en gousses d’arachide
Pour comparer les effets de 3 formulations fongicides sur le rend’ement en gousses d’arachide.
nous disposons de 12 parcelles expérimentales et chacune des formulations e:st affectée de
manière aléatoire à 4 de ces parcellles. Il s’agit ainsi d’étudier un facteur à 3 niveaux avec un
dispositif expérimental en randomisakion totale.
Nous presentons ci-dessous les résultats de l’analyse des données réalisée avec le logiciel
Genstat 5.
Variate:: Rendement
Total 11 1847746.
d.f = nombre de degrés de liberté ; s.s. = somme des carrés ; m s. = somme des carrés moyens
v.r. = rapport des variantes = rappo:rt des carrés moyens (F); F pr = p
Le résultat du test des effets blocs ne doit être pris en compte qu’à titre indicatif. En effet.
l’essai n’a pas été réalisé pour tester l’équivalence des blocs. Mais ce test permet de vérifier si
les blocs ont été judicieusement constitués c’est à dire si le contrôle par les blocs de
l’hétérogénéité du milieu expérimental a été effkace.
Exemple : Comparaison de l’effet de 10 variétés sur le rendement du mil
II s’agit d’un essai dont l’objectif est de comparer 10 variétés de mil. Le dispositif
expérimental est en blocs aléatoires complets (3 blocs) et la variable observée est le
rendement de la culture. Les résultats de l’analyse des données sont présentés ci-aprks.
Variate: Rendement
Bloc.+Units* stratum
Varieta
Residual
Total
1 f- teqt associé a u fprterrr Variéti31 n o u s cnr~driit à afiirmèr qu’il euiste ‘dec dif‘férence~
significatives au seuil 5% entre les rendements des ditErentes variétés.
- 16-
Nous remarquerons que Genstat ne fournit pas explicitement la probabilité associée au test
d’absence d”effet bloc. Ainsi si nous nous intéressons au test de l’effet bloc, nous devrions
comparer la valeur du F correspondant à la valeur seuil donnée par une table de Fisher.
On lit sur une table de Fisher la valeur f(2;18;0.05) = 3.55 et comme 1.89 53.55, on en déduit
l’absence d’effet bloc au seuil 5%1. On peut ainsi dire que les blocs n’ont pas permis de
contrôler de manière efficace l’hétérogénéité du milieu.
Dl D2 D3
F;nrrcrA variation
_ 1 Degrés:; liberté 1 Carz;;yen 1 CMjICm -1
/
’ Résiduelle 1 IJG:-l) / Cm /
I et J respectivement nombre de modalités des facteurs A et B ; r : nombre de répétitions
Variate: GMQ
Antibiotique
Vitamine
Antibiotiyue.Vitamlne
Residual
Total
L’examen de ces résultats nous permet tout d’abord d’affirmer que l’interaction des 2 facteurs
étudiés est très hautement significative. L’existence d’une telle interaction signifie que
l’influence du supplément d’antibiotique est fonction du supplément de vitamine.
L’observatïon du graphique suivant permet d’avancer que la réponse au supplément
d’antibiotique est fortement marquée en présence du supplément de vitamine alors qu’elle a
même une tendance négative en son albsence.
Vitamine
+ O m g
+5mg
r
0,50
-i
0,oo l-
Of-w 40mg
Antibiotique
5.3.2 Anova à deux facteurs étudiés dans un dïspositif en blocs aléatoires complets
Un tableau d”analyse de la variante d’un plan en blocs aléatoires complets â. deux facteurs
étudiés a la présentation suivante :
Tableau Anova à 2 facteurs en blocs aléatoires complets
Degrés de liberté Carré moyen
I-l CM1
J-l CM2
~-
(1- l)(J,- 1) ; CM1 - -
r-l CMB cm3/cMR ;
I
(r- l)(IJ-1) CMR
- 19-
d’azote a un effet très hautement significatif sur le rendement du riz et les différenc’es entre les
rendements des variétés de riz sont significatives.
Variate: RENDEMENT
BLOC.*Units* stratum
Total 59 53.5309
- 20 - l
***** Anal,ysis of variante *****
Variate: RENDEMENT
BLOC.YZ?R rtratum
VAR 4 810515. 202629. 15.96 <.OOl
Residual 8 . 'P1541. 12693. 1.29
BLOC.VAR.TRAIT stratum
TRAIT 1 97322. 97322. 9.85 0.011
VAR.TRAIT 4 69331. 17333. 1.75 0.214
Residual 10 98769. 9877.
Total 29 1714048.
avec Y; et Y,, les moyennes respectives des traitements i et i’ ; 6,’ et cF;i les estimations des
variantes respectives des 2 traitements et n le nombre de répétitions
VI0 = 8.37 A
V5 = 7.87 A B
VI = 7.23 A B
V-3 = 7.13 A B
V2 = 7.10 A B
V7 = 6.97 A B
v4 = 6.93 A B
V8 = 6.90 A B
V6 = 6.87 B
V3 = 6.63 B
Les moyennes suivies de la même lettre ne sont pas significativement différentes.
-_
3 4 5 6 7
0.9'7 1.07 1.14 1.20 1.25
-_
VlO = 8.31 A
V5 = 7.87 A B
VII. = 7.23 IB
v9 = 7.13 B
v2 = 7.10 B
v7 = 6.97 IB
V4 = 6.93 B
V8 = 6.90 B
V6 = 6.87 B
v3 = 6.63 il3
dl-dz Jn
dl-dz est une valeur lue sur la table de Dunnet.
---._-
.-I lelic,/ ,r,,, c i{iC.
-24 -
Exemple :
La variété VlO est en fait utilisée comme variété témoin dans cet essai. Ainsi nous allons
comparer, par la méthode de Dunrnet, la moyenne du poids de 1000 grains des 9 variétés à la
moyenne de la variété témoin.
ppes au seuil de 5% = 1.13
I
-ti6 16.87 1
-25 -
. ~ 1 ~ _ . . , . < - - - - ~ - - . - - - - - - - , - - . - . - - _ ~ - - . . _ . - _ c _
- - - -
. i
lr
l-0
-
Le test de nullité du ler contraste correspond à la comparaison des différa n Its produits au
témoin absolu. Nous notons ainsi que les produits insecticides ont un effet ::;‘g snificatif sur la
production de graines.
Aussi, on peut affirmer que le produit P2 assure une production plus élevée ql t : le produit Pl.
Par contre, il n’y pas de dijfférence significative entre les nouveaux produits e : les produits de
référence.
polynômes de degré I 3.
- 26 -
***** Analysis of variante *.lr***
Variate: Rendement
Total 23 6067008.
Variate: Rendement
L’examen du tableau d’analyse de la variante nous permet de dire que la densité a un effet
significatif sur le rendement en riz. De plus, l’utilisation de la méthode des polynômes
orthogonaux permet d’avancer que l’effet linéaire est significatif et que les effets quadratiques
et cubiques ne sont pas significatifs. Nous dirons que l’ajustement linéaire de la réponse du riz
a la densité est significatif L’équation linéaire suivante :
y = -6.4 x +5448.2
décrit la relation entre le rendement y et la densité x.
100
Densité (kglha)
- 27 -
5.5 Validation des hypothèses de l’analyse de la variante
NOUS avons étudié brièvement le modèle linéaire et plus particulièrement le m~&$e d’analyse
de la variance qui repose sur les hypothèses suivantes :
9 indépendance des variables al’éatoires résiduelles
9 normalité des variables aléatoires résiduelles
9 égalité de la variante des variables aléatoires résiduelles
9 absence d’interaction traitement x bloc
Pour s’assurer de la validité du modèle et ainsi de l’interprétation des résultats, il est nécessaire .
de procéder à la vérification de ces hypothèses. L’analyse des résidus permet de vérifier la
validité de ces hypothèses (analyse graphique et/ou tests d’hypothèses).
Lorsque ces hypothèses de l’analyse de la variante sont remises en cause nous devons suivant
le cas:
9 utiliser des méthodes non paramétriques
9 choisir d’autres modeles tel que le modèle linéaire généralisé
9 procéder à une transformation de variables.
Certaines transformations de variable permettent, dans le cas où l’hypothèse d’égalité de la
variante ne serait pas vérifiée, de réduire l’hétérogénéité des variantes.
Les principales transformations de Va:riable utilisées en expérimentation agricole sont :
9 La transformation logarithmique :
Cette transformation permet de stabiliser les variantes lorsqu’elles sont proportionnelles aux
carrés des moyennes. Cette situation est souvent rencontrée dans les processus de croissance
et de multiplication.
9 La transformation racine carree :
Procéder à une telle transformation permet de stabiliser les variantes dans le cas où elles
seraient proportionnelles aux moyennes. Elle est recommandée pour les variables aléatoires
possédant une distribution semblable aux distributions de Poisson. Ainsi, cette tran:sformation
s’adapte bien à des données constituées de nombres entiers pas très élevés ou à des
pourcentages provenant de rapports ayant un même dénominateur et compris exclusivement
entre 0 et 30% ou entre 70 et 100%.
9 La transformation angulaire :
Lorsque la variable aléatoire à étudier possède une distribution binomiale, 1~ ~transf’ormatiotl
arc sinus est bien justifiée. Cette transformation est surtout adaptée aux probler les relatifs aus
proportions couvrant une gamme assiez large (fractions comprises entre 0 et 1 0 t pourcentages
entre 0 et 100%) et données par des rapports à dénominateur constant.
6 PUISSANCEETDI~NSI~NNEMENTDVJNEEXPEFUMENTATION
Toutes les différences de faculté des différents plans à mettre en évidence des effets de
facteurs étudiés peuvent être expliquées par le calcul de la puissance associée à chaque
comparaison. Le principe général est d’obtenir une résiduelle pour mettre en évidence l’effet
souhaité qui soit la plus faible possible, mais avec un nombre de degrés de libertés suffisant.
Ces deux démarches sont souvent antagonistes.
Cependam ces différents plans d’expérience sont imposés par des contraintes pratiques, ou
une connaissance a priori. de l’homogénéité des unités expérimentales.
Si ce rapport est égal à 1, alors l’effet A est confondu avec la variabilité de la population, et
est donc déclaré non significatif.
Il faut donc calculer la probabilité que ce rapport soit égal à 1. On sait que cette variable suit
une distribution de Fisher à nl et n2 degrés de liberté.
On peut donc calculer la probabilité que le rapport étudié suive une loi de Fisher d’espérance
égale à 1.
Si la valeur du rapport des carrés moyens est inférieure à la valeur prise par la variable de
Fisher au seuil 5%, alors le rapport peut être assimilé à une variable de Fisher d’espérance 1,
et l’effet A n’est pas significatif.
0.05
;$y;&.&~~n~~.~ : : : : ._,.,”
E ..:..:..$y:..:. -..-.
:.. .:.:.:. ,.: .y: ..-..... .:.:>.:-
.:.:.:.
- 29 -
- -v-1--1
_.___._--.-.-
<--------1-~.--